Bibliographic record
Abstract
Résumé Certains noms communs (“étranger”, “ennemi”, “voisin”, etc.) et certains adjectifs (“national”, “local”, “domestique”, etc.) sont sensibles au contexte d' énonciation. On appelle ces expressions des contextuels. Les énonciations d'une phrase contenant un contextuel n'ont pas toutes les même conditions de vérité. Par exemple, certaines énonciations de “La bière locale est excellente” concernent la Belgique et sont vraies si et seulement si la bière beige est excellente; d'autres concernent les États- Unis et sont vraies si et seulement si la biere americaine est excellente. Dans cet article, j'explique ce qu'est un contextuel, j'examine quelques approches que l'on peut suggérer afin d'en rendre compte et jepropose mapropre théorie des contextuels. En vertu de leur sémantique, les contextuels laissent place à une perspective dans les conditions de vérite de l'énonciation d'une phrase. Par exemple, certaines énonciations de “La bière locale est excellente” sont vraies lorsque la perspective est la Belgique, tandis que d'autres sont vraies lorsque la perspective est celle de États-Unis. Les contextuels sont aussi très systématiques, puisque sémantiquement ils indiquent la sorte de perspective pertinente. La perspective spécifique à une énonciation depend cependant des croyances du locuteur. En ce sens, les contextuels sont sensibles aux croyances d'arrière-plan du locuteur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.011 |
| Scholarly communication | 0.008 | 0.022 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".